Stanisław Osowski, "Sieci neuronowe w ujęciu algorytmicznym"

Wydawnictwa Naukowo-Techniczne, wydanie drugie, Warszawa, 1996
ISBN 83-204-2197-7

Przedmowa (11)

1. Wprowadzenie w tematykę sieci neuronowych (15)

1.1. Wstęp (15)

1.2. Podstawowe architektury sieci neuronowych (18)

1.3. Przegląd podstawowych metod uczenia sieci (20)

1.4. Zdolności uogólniania sieci neuronowej (32)

2. Sieci neuronowe jednokierunkowe wielowarstwowe (37)

2.1. Podstawowe zależności odnoszące się do neuronu (37)

2.2. Podstawowe definicje funkcji celu (39)

2.3. Algorytm propagacji wstecznej w postaci klasycznej (44)

2.4. Wyznaczanie gradientu metodą grafów przepływowych (47)

2.5. Algorytmy gradientowe optymalizacji w zastosowaniu do uczenia sieci (52)

2.6. Metody doboru współczynnika uczenia (60)

2.7. Metoda gradientów sprzężonych z regularyzacją (68)

2.8. Algorytmy heurystyczne (71)

2.9. Porównanie efektywności algorytmów uczących (73)

2.10. Elementy optymalizacji globalnej (75)

2.11. Metody inicjalizacji wag (81)

3. Dobór optymalnej architektury sieci wielowarstwowej i danych uczących (93)

3.1. Zdolności uogólniania sieci wielowarstwowej (95)

3.2. Metody redukcji sieci (98)

3.3. Algorytm kaskadowej korelacji Fahlmana (113)

3.4. Sieć neuronowa z rozszerzeniem funkcyjnym (119)

3.5. Analiza wrażliwościowa danych uczących (125)

3.6. Zwiększanie zdolności uogólniania sieci przez wtrącanie szumu do wzorców uczących (129)

4. Wybrane zagadnienia sieci neuronowych wielowarstwowych (133)

4.1. Rozpoznawanie wzorców (133)

4.2. Kompresja danych (138)

4.3. Sieć neuronowa interpolująca (145)

4.4. Modelowanie i sterowanie obiektów dynamicznych (148)

4.5. Produkcja obciążeń systemu elektroenergetycznego (155)

5. Sieci neuronowe o radialnych funkcjach bazowych (160)

5.1. Podstawy matematyczne (161)

5.2. Sieć neuronowa radialna (165)

5.3. Metody uczenia sieci neuronowych radialnych (169)

5.4. Porównanie sieci radialnych z sieciami sigmoidalnymi (186)

6. Sieci rekurencyjne (189)

6.1. Wprowadzenie (189)

6.2. Sieć autoasocjacyjna Hopfielda (191)

6.3. Sieć Hamminga (203)

6.4. Sieć typu BAM (207)

6.5. Rekurencyjna sieć neuronowa typu RTRN (215)

6.6. Rekurencyjna sieć Elmana (219)

6.7. Rekurencyjna metoda propagacji wstecznej (224)

7. Sieci samoorganizujace się na podstawie reguły Hebba (229)

7.1. Aspekt energetyczny samoorganizacji Hebba (230)

7.2. Analiza składników głównych (PCA) (231)

7.3. Sieci neuronowe typu Heraulta-Juttena (235)

8. Sieci samoorganizujące się działające na zasadzie współzawodnictwa (249)

8.1. Zależności podstawowe (249)

8.2. Algorytmy uczenia sieci samoorganizujących się (256)

8.3. Sieć odwzorowań jedno- i dwuwymiarowych (262)

8.4. Odwzorowanie Sammona (266)

8.5. Przykłady zastosowań sieci samoorganizujących się (268)

9. Podstawy matematyczne systemów logiki rozmytej (276)

9.1. Podstawowe pojęcia systemów rozmytych (277)

9.2. Zasady wnioskowania w zbiorach rozmytych (279)

9.3. Interpretacja reguł wnioskowania w systemie wielowymiarowym (281)

9.4. Układy logiki rozmytej w środowisku pomiarowym (282)

10. Sieci neuronowe o logice rozmytej (289)

10.1. Gradientowa metoda uczenia sieci rozmytej (289)

10.2. Uczenie samoorganizujące się sieci rozmytych (300)

10.3. Uczenie bezpośrednie na podstawie tabeli przejść (302)

11. Implementacja sieci neuronowych w technologii VLSI (308)

11.1. Elementy rozwiązań analogowych sieci neuronowych (308)

11.2. Przegląd komercyjnych układów scalonych (318)

Dodatek A. Opis programu Netteach (326)

A.1. Przygotowanie plików z danymi (326)

A.2. Opcje wywołania programu (328)

Dodatek B. Opis programu Cascor (330)

B.1. Opis parametrów wywołania programu (330)

B.2. Przygotowanie plików uczących (332)

Dodatek C. Opis programu Hfnet (334)

Bibliografia (336)

Skorowidz (344)

Zobacz także:

Serwis „Bezpieczniej”

Poradnik oceny ryzyka
zawodowego

Systemy lokalizacji
w bezpieczeństwie maszyn

Centralny Instytut Ochrony Pracy - Państwowy Instytut Badawczy

Zobacz także: